本文介绍用目标检测算法替代人工进行PCB电路板故障检测。先安装PaddleDetection并准备数据，用分层采样拆分训练集和验证集。训练时可选多种算法，以yolov3为例，还可边训练边测试并可视化。之后用infer.py推理，也能导出模型部署。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
软件杯高职组赛题：PCB电路板故障检测
赛题简介：
- 赛题来源：第十届中国软件杯高职组B2试题
- 赛题名称：有限边缘算力下的电路板故障检测
- 赛题业务场景：近年来，随着移动电子和IOT的大量普及，PCB（印刷电路板）需求量有了显著提升。而在PCB生产过程中，往往会因为设备问题、流程问题出现一定概率的故障，轻则接触不良，功能缺陷，影响使用体验；重则引发火情，严重影响人民生命、财产安全。目前PCB线路常规线宽为10mil（约0.254mm），PCB质检通常由产线工人使用显微放大镜在强光下目检，效率较低，且长期在强光显微镜下观察PCB板容易对眼睛产生伤害，同时也容易疲劳出错。故提出使用较为低廉的边端算力摄像头系统实现这一任务。
- 基本功能要求：
1. 训练PCB故障识别模型，要求输入故障PCB标注图像，输出PCB故障点位及故障名称.
2. 基于EB硬件平台进行部署。(在此就不做演示了)
项目简介：
PCB质检通常由产线工人使用显微放大镜在强光下目检，效率较低，且长期在强光显微镜下观察PCB板容易对眼睛产生伤害，同时也容易疲劳出错。通过下图可以看出这个检测空间非常狭小，人工检测效率效率低不说，工人也非常辛苦！可以让计算机视觉去执行的任务何必耗费人力，大伙们说是吧！
因此，我们提出用目标检测算法去代替人工检测，简单来说，就是要使用PaddleDetection去检测PCB电路板生产时可能会出现的问题，一共有六种，数据集已经由官方标注好。
使用PaddleDetection检测PCB电路板故障
检测结果展示：
安装PaddleDetection并且准备好我们需要的训练数据
In [1]
# 通过git安装PaddleDetection# github: https://github.com/PaddlePaddle/PaddleDetection.git# gitee: https://gitee.com/paddlepaddle/PaddleDetection.git!cd ~/work/ && git clone https://gitee.com/paddlepaddle/PaddleDetection.git
Cloning into 'PaddleDetection'... remote: Enumerating objects: 14575, done. remote: Counting objects: 100% (14575/14575), done. remote: Compressing objects: 100% (6264/6264), done. remote: Total 14575 (delta 10731), reused 11458 (delta 8175), pack-reused 0 Receiving objects: 100% (14575/14575), 132.71 MiB | 4.95 MiB/s, done. Resolving deltas: 100% (10731/10731), done. Checking connectivity... done.
In [ ]
# 准备数据，将数据解压到PaddleDetection工程中!cd ~/data/data73416/ && unzip -o PCB_DEFECT.zip -d ~/work/PaddleDetection/dataset/
In [ ]
# 使用分层采样方法拆分数据集分别用来训练和验证import randomimport os# 对损坏类型分类total = 'work/PaddleDetection/dataset/voc/total.txt'with open(total, 'r') as origin:
lines = origin.readlines() # 创建分类字典
classify_dict = {}
classify_dict['Missing_hole'] = [line for line in lines if 'Missing_hole' in line]
classify_dict['Mouse_bite'] = [line for line in lines if 'Mouse_bite' in line]
classify_dict['Open_circuit'] = [line for line in lines if 'Open_circuit' in line]
classify_dict['Short'] = [line for line in lines if 'Short' in line]
classify_dict['Spur'] = [line for line in lines if 'Spurious_copper' in line]
classify_dict['Spurious_copper'] = [line for line in lines if 'Spur' in line and 'Spurious_copper' not in line]#从每种损坏类别随机选80%作为训练集，20%为测试集train_file = 'work/PaddleDetection/dataset/voc/trainval.txt'eval_file = 'work/PaddleDetection/dataset/voc/test.txt'train_f = open(train_file, 'w')
eval_f = open(eval_file, 'w')for damage_type in classify_dict:
data = classify_dict[damage_type]
length = len(data)
random.shuffle(data)
eval_num = length // 5
train_f.writelines(data[eval_num:])
eval_f.writelines(data[:eval_num])
train_f.close()
eval_f.close()
训练模型
训练之前先来看看PaddleDetection涵盖的基本算法
从图中可以看出从精度和性能综合考虑，最强的是PP-YOLO v2，但是作者这里先不用他，希望由读者来亲自体验他的强大。
使用PaddleDetection/tools下的train.py来训练文件
常见训练参数：
| FLAG | 用途 | 备注 |
|---|---|---|
| -c | 指定配置文件 | 必选，例如-c configs/yolov3/yolov3_darknet53_270e_voc.yml |
| -o | 设置或更改配置文件里的参数内容 | 相较于-c设置的配置文件有更高优先级，例如：-o use_gpu=False |
| --eval | 是否边训练边测试 | 如需指定，直接--eval即可 |
| -r/--resume_checkpoint | 恢复训练加载的权重路径 | 例如：-r output/faster_rcnn_r50_1x_coco/10000 |
| --use_vdl | 是否使用VisualDL记录数据，进而在VisualDL面板中显示 | VisualDL需Python>=3.5 |
关于配置文件参数，用户可根据自己喜好调整参数，参数说明：https://gitee.com/paddlepaddle/PaddleDetection/blob/release/2.0/docs/tutorials/config_annotation/ppyolo_r50vd_dcn_1x_coco_annotation.md
In [ ]
# 开始训练，这里作者没用最强的PP-YOLO v2，读者可以自行更改体验一下PP-YOLO v2的强大# configs中提供多种不同的配置，可以根据文档尝试使用!cd ~/work/PaddleDetection/ && python tools/train.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --eval --use_vdl=True
vdl训练数据可视化：
使用模型检测图片中的目标
检测用的脚本文件infer.py就在PaddleDetection下的tools中
In [ ]
# 尝试一下用自己训练出来的模型推理一下指定图片!cd ~/work/PaddleDetection/ && python tools/infer.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --infer_img=dataset/voc/rotation/Missing_hole_rotation/06_missing_hole_01.jpg
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:125: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe. Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations if data.dtype == np.object: W0607 12:56:04.457180 10141 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1 W0607 12:56:04.461891 10141 device_context.cc:422] device: 0, cuDNN Version: 7.6. [06/07 12:56:07] ppdet.utils.checkpoint INFO: Finish loading model weights: output/yolov3_mobilenet_v1_270e_voc/5.pdparams [06/07 12:56:08] ppdet.engine INFO: Detection bbox results save in output/06_missing_hole_01.jpg
推理出来的图片存放路径output/06_missing_hole_01.jpg，来看看自己训练出来的模型检测目标的效果如何：
In [ ]
# 如果想导出模型到端上部署，可以执行这个文件：!cd ~/work/PaddleDetection/ && python tools/export_model.py -c configs/yolov3/yolov3_mobilenet_v1_270e_voc.yml --output_dir=./inference_model
